随着技术的发展，新问题也需要新方法。随着智能开关、恒温器、第三代语音助手等智能设备的出现，数据量呈爆炸式增长，降低了集中计算和分析的效率。边缘计算通过帮助这些智能设备处理数据以满足其在边缘节点上的需求，使它们变得更加智能。边缘计算只传输集中计算所需的数据，从而解决延迟和带宽成本等诸多问题。边缘技术不仅可以提高边缘设备的效率，还可以提高集中式分析系统的效率。鉴于边缘计算的前景，它有望成为2020年及以后最重要的技术趋势之一。例如，谷歌的Nest使用机器学习算法来了解居民在工作日或周末是在家还是外出，并根据每日温度进行调整。有了这些信息，Nest可以在整个星期和周末自行调节温度。Nest的边缘处理与集中处理相结合，凸显了企业数据管理面临的有趣挑战。传统上，企业采用一种架构来分析数据并使用集中式方法从中获取智能。例如，数据仓库是商业智能的主力，被称为将原始数据转化为洞察力的中央存储库。这个称为ETL的过程从操作系统中提取数据，将其转换为适当的格式，然后将其加载到数据仓库中。多年来，这种架构已被证明是有效的。但在边缘设备时代，传统的物理数据仓库失去了作为中心事实来源的光彩。这是因为随着当今世界转向大量非结构化数据，它们只能存储结构化数据。此外，数据量呈指数级增长。它已经变得如此之大，以至于将所有数据存储在一个数据仓库中对于许多用例来说在经济上不再可行。为了克服这些挑战，企业已经将他们的中央存储库转换为更便宜的替代方案，例如Hadoop，它也可以存储非结构化数据。尽管有这些发展，从性能和成本的角度来看，将分布在世界各地的多个设备生成的所有信息收集到数千英里外的中央存储库中仍然是不可取的。中央系统也无法高效、智能地分析信息，然后持续向设备推荐此信息以获得最佳性能。那么，缺少什么？在我们看来，这是一种在靠近设备本身的地方执行计算功能的技术。边缘计算架构的出现使设备能够将它们生成的数据发送到更靠近设备的边缘节点或系统进行分析或计算。这样，设备可以比连接到中央系统时更快地从边缘节点获得所需的智能。在此设置中，边缘节点连接到中央系统，因此它们仅传输中央系统在所有各种设备上进行分析所需的信息。因此，存在计算的二重性，其中一些计算在边缘节点上执行，达到本地操作所需的程度，同时，数据被传输到中央分析系统以对所有企业系统进行整体分析。幸运的是，今天有能力在边缘智能地过滤所需的数据，并只将减少的数据传输到集中式系统。通过减少高达80%的移动数据，数据虚拟化可以实时执行这种选择性数据处理和交付，而无需在其中复制数据。当数据来自各种设备时，位于靠近这些设备的边缘节点的数据虚拟化实例会整合数据，然后仅提取结果。然后将它们传递到位于中心位置的另一个数据虚拟化实例，更靠近数据消费者，后者使用报告工具来分析结果。因此，多位置架构中的数据虚拟化实例网络（其中一些位于边缘节点）连接到中央数据虚拟化实例，从而完成边缘计算框架。数据虚拟化多位置边缘架构（来源：Denodo）为什么在边缘更智能？边缘计算的最大好处是节省时间。在过去的几年中，技术在存储和计算两个方面的发展速度远远超过其他方面。今天的手机比30年前的台式电脑拥有更多的内存和计算能力。但边缘技术的一个方面并不像传输数据的带宽那么快，因为数据从一个位置移动到另一个位置仍然需要几分钟和几小时。随着设备越来越深入云端并跨越各大洲，必须传输尽可能少的数据以提高整体效率。通过将计算委托给边缘，这些设备将实时学习和调整，而不会因进出中央系统的信息传输而减慢速度。数据虚拟化可将带宽要求和存储成本降低多达80%。
